iTransformer: Invertovaný Transformer pro predikci vícerozměrných časových řad
iTransformer je architektura hlubokého učení pro predikci vícerozměrných časových řad, kterou představili Liu et al. na konferenci ICLR 2024. Její definující myšlenkou je invertovat konvenční strategii tokenizace Transformeru: místo aby každý časový krok považoval za token, iTransformer považuje každý variát (senzorový kanál nebo příznakovou řadu) za jediný token, jehož vnoření (embedding) kóduje celé pozorované okno zpětného pohledu. Mechanismus self-attention je pak aplikován napříč variáty, aby zachytil závislosti mezi řadami, zatímco dopředná síť (feed-forward network) uvnitř každého tokenu se učí časové vzory.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Liu, Y., Hu, T., Zhang, H., Wu, H., Wang, S., Ma, L., & Long, M. (2024). iTransformer: Inverted transformers are effective for time series forecasting. ICLR. link ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 2). iTransformer (Inverted Transformer for Forecasting). ScholarGate. https://scholargate.app/cs/deep-learning/itransformer
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- CrossformerHluboké učení↔ compare
- PatchTSTHluboké učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →